3D激光扫描技术及基于Canupo算法的分类方法在历史建筑裂缝检测中的应用：以维多利亚美术馆为例

《Digital Applications in Archaeology and Cultural Heritage》：Application of 3D laser scanning and Canupo-based classification for crack detection in historic buildings: A case study of the Victoria Gallery & Museum

　　穆罕默德·阿尔-希布利
利物浦大学土木与结构工程系，英国利物浦

**摘要**
本研究利用3D激光扫描和点云分析技术，对维多利亚美术馆和博物馆的自动裂缝检测方法进行了探讨。整个工作流程包括三个主要阶段：数据收集、数据处理和数据分析。地面激光扫描使用FARO FOCUS 150S设备完成，以获取建筑物内外部的密集3D点云数据。数据处理通过Scene和CloudCompare软件进行，包括扫描处理、分割和对齐，为裂缝检测准备数据集。分析目标区域通过预先的视觉检查确定，随后通过分割减少点云规模，以便于高效地应用Canupo分类算法。自动裂缝检测采用Canupo方法进行，训练类别经过精心设计，在某些情况下需要多次分类运行，以有效区分裂缝与地板、砖块或接缝材料。对于内部区域，一楼点云数据从超过1300万个点减少到约475,239个点，显著提高了处理速度和分类效果。外部区域分析受到脚手架的限制，但在可扫描的部分仍成功完成了检测。最终检测到的裂缝与原始RGB图像合并，提供了清晰的视觉展示，证明了所提出的工作流程即使在硬件和现场条件受限的情况下也能实现有效的自动裂缝识别。报告的分类结果基于Canupo算法在训练数据集上的表现，并通过定性视觉检查进行评估，而非独立的定量验证。本研究的贡献在于开发并展示了一种实用的工作流程，适用于使用TLS（地面激光扫描）和点云分类技术进行复杂遗产环境中的裂缝检测。

**1. 引言和文献综述**
3D激光扫描已成为记录和监测现有及新建结构的一种广泛采用的技术。与传统仅捕捉颜色信息的相机不同，3D激光扫描仪通过测量设备与周围表面之间的距离来记录精确的空间数据（Ebrahim, 2015）。为了获得复杂结构的完整表示，通常需要从不同角度进行多次扫描，并通过配准过程进行对齐。根据其距离测量原理，地面激光扫描仪通常被分为飞行时间法、相位位移法和三角测量法系统（Armesto-González et al., 2010）。这些系统能够快速获取密集的三维点云数据，提供结构表面的详细几何描述。虽然传统的基于振动的技术常用于结构损伤检测，但它们在定位表面缺陷方面存在局限性。相比之下，3D激光扫描提供了一种非接触式、高分辨率的替代方法，能够捕捉细微的表面变形，如裂缝和材料不连续性（Cho et al., 2018）。所得点云数据可通过专用处理软件（如CloudCompare）进行分析，以识别几何异常和材料变化，支持早期损伤检测，并便于制定预测性维护策略，尤其是在直接接触结构元素受限的情况下。本研究旨在利用地面激光扫描获得的点云数据，检测维多利亚美术馆和博物馆的结构裂缝和表面损伤。研究重点包括使用地面激光扫描仪对建筑物进行扫描，在Scene和CloudCompare软件中处理数据，应用CANUPO分类方法进行裂缝检测，并评估该方法在分类效果和计算效率方面的表现。

激光扫描技术的发展可以追溯到20世纪50年代末（Large and Heritage, 2009），80年代和90年代在扫描速度和精度方面取得了显著进步（Edl et al., 2018）。现代地面激光扫描系统每秒可采集数百万个点，尽管早期应用受到高设备成本和密集数据处理需求的限制（Haddad, 2011; Wang et al., 2014）。尽管存在这些限制，TLS在需要高几何精度应用中表现出色。与擅长捕捉表面纹理和视觉细节的光谱测量技术相比，TLS提供了密集且测量精确的三维数据，非常适合检测结构变形和表面损伤（Demir et al., 2004; Batur et al., 2020; Karata?, 2023）。然而，TLS测量的准确性会受到表面特性（如材料属性和颜色）的影响，这些因素会影响激光反射率和点分布（Yaman and Y?lmaz, 2017）。遗产建筑的保护和监测逐渐从传统的人工调查转向先进的非接触式技术，包括干涉合成孔径雷达、光纤传感和热成像（Tarchi et al., 2000; Mesquita et al., 2016; Grinzato et al., 2002）。同时，数值建模方法（如有限元分析）与建筑信息模型的结合，增强了评估结构行为和支持长期保护规划的能力（Arias et al., 2005; Godinho et al., 2020）。在这种背景下，地面激光扫描成为遗产记录和损伤评估的可靠工具，特别是在需要精确三维几何信息来描述结构状况时。

近期研究表明，数字工具（如TLS）在长期遗产监测策略中日益重要。早期应用强调了设备灵敏度、环境条件以及大量数据管理方面的挑战（Cain, 2000; Barber et al., 2003）。最近的发展表明，将激光扫描数据与高分辨率图像结合使用可以提高可解释性和分析可靠性（Al-Kheder et al., 2009; Quagliarini et al., 2017）。在表面往往异质且退化的遗产环境中，点云数据的自动分类为纯图像基方法提供了有前景的替代方案。为LiDAR数据开发的基于分类的方法（如用于复杂城市环境中的地面提取）展示了几何驱动算法的潜力，无需依赖广泛的用户定义阈值或纹理信息即可区分结构特征（Canaz Sevgen and Karsli, 2020）。包括维多利亚美术馆和博物馆在内的案例研究，以及圣托尔卡托教堂和沙基辛达遗址等遗产地，证明了将地面激光扫描与先进的点云分析技术结合使用，可以在复杂的文化遗产环境中支持详细的裂缝检测和结构评估（Masciotta et al., 2023; Xaydarovich, 2023）。尽管取得了这些进展，仍需要明确且可重复的工作流程，以便在几何复杂的遗产环境中利用点云数据高效检测裂缝。本研究的贡献在于开发并展示了一种实用的工作流程，将点云分割与迭代CANUPO分类相结合，用于实际遗产结构中的裂缝检测。因此，重点在于工作流程的实施和评估，而非新分类算法的开发。

**2. 方法论**
**2.1. 扫描设备**
维多利亚美术馆和博物馆的监测使用FARO FOCUS 150 S激光扫描仪进行，该设备以其高精度和先进功能而闻名。扫描仪支持现场补偿，用户可根据需要调整扫描质量和速度。它还具有捕获HDR图像的能力，生成的扫描图像具有自然色彩，有助于准确反映被扫描物体的真实情况。

**2.2. 扫描地点**
维多利亚美术馆和博物馆位于利物浦大学校园的中心地带，具体地址为Ashton Street, Liverpool L69 3DR, 英国。扫描工作共进行了4天，涵盖了建筑物的内外部。其中包含初步扫描，以便用户熟悉设备和扫描环境。图1展示了在三个不同地点（2、5和7）进行的外部扫描。

**2.3. 数据收集**
数据收集在维多利亚美术馆和博物馆进行了多次，涵盖了外部和内部区域。最初从外部地点2和5开始扫描，由于地点7有脚手架覆盖，因此暂时未包括；后来在条件允许时补充了该地点的扫描。虽然额外的扫描对裂缝检测不是必需的，但它们提供了错误时的备份数据。内部扫描由于建筑物部分区域的访问限制和开放时间问题而更具挑战性，分多天完成。首次扫描时主要测试了扫描分辨率和质量，包括对底层的两次扫描，未发现可见裂缝。大多数可见裂缝出现在楼梯和底层地面上。这些测试扫描为最终扫描计划提供了重要参考，指导了最终扫描方案的实施。最终计划在所有楼层选取了10个地点：底层1次、一楼5次、二楼3次、三层1次（图3）。这些地点经过精心选择，以覆盖建筑物的大部分内部区域，并与外部地点2、5和7覆盖的区域对齐，从而能够获取建筑物两侧的图像，这对于监测建筑物的热膨胀情况尤为重要（见图4）。

**2.4. 数据分析**
数据收集在维多利亚美术馆和博物馆进行了多次，包括外部和内部区域。由于地点7有脚手架覆盖，最初未包括该地点的扫描；后来在条件允许时进行了补充。尽管额外的扫描不是必需的，但它们提供了数据备份。内部扫描受到建筑物访问限制和开放时间的影响，分多天完成。首次扫描时主要测试了扫描分辨率和质量。第一次内部扫描包括对底层的两次扫描，未发现裂缝。后续扫描在改进的访问条件和时间安排下进行，每个内部地点分别在上午和下午各进行一次扫描，每次扫描持续约10分钟，平衡了扫描质量和建筑物的开放时间以及工作人员进入上层的时间。表1总结了所有现场进行的激光扫描。数据采集策略优先考虑了覆盖范围和重复性，但访问条件和环境限制可能影响了不同地点之间的扫描一致性。

**3. 数据分析**
数据收集后阶段涉及数据处理，使用Scene软件处理和注册收集的点云数据。该软件支持直接的数据处理、自动扫描对齐以及在虚拟现实视图中探索扫描结果。建议使用性能强大的计算机来充分利用这些功能。本研究使用配备16GB RAM的64位Windows 10系统进行Scene数据处理。整个过程可分为六个主要步骤：首先创建新项目以处理扫描数据。其次，在数据收集过程中获得的扫描文件被导入软件中。第三，应用所需的设置并开始处理，这需要最多的时间。第四，执行扫描的自动配准。第五，软件允许在虚拟现实视图中探索扫描结果。最后，处理后的文件可以以任何所需的格式导出，以便在其他软件中进行进一步分析（见表1）。尽管Scene推荐的技术要求并未完全满足，导致了一些技术限制，但处理阶段仍然完成了。处理时间较长；例如，表2中的扫描处理大约需要4小时。由于硬件限制，自动配准无法完成，这可能会在后续的CloudCompare分析中引入小的对齐误差。

表1. 维多利亚美术馆和博物馆的激光扫描会话总结。
扫描类型 覆盖位置 扫描数量 每次扫描时长（分钟） 备注
外部扫描 位置2和5 4 31:51 因脚手架原因，位置7被排除
外部扫描 位置2、5和7 6 31:51 对数据质量很重要
内部扫描（测试） 地面和一楼 11 31:52 测试分辨率和扫描位置
内部扫描（最终） 地面、一楼和二楼 20（每组10个） 10:24 早晨和下午的扫描；计划好的访问

表2. 使用Canupo方法进行自动裂缝检测的总结。
部分 点云 准确率（第一次运行） 准确率（第二次运行） 处理时间 备注
内部a 30,948 0.96 1.00 ～60秒 需要第二次运行以细化楼层裂缝分离
内部b 25,200 1.00 1.00 ～54秒 方法与内部a类似
内部c 355,943 0.79 ～0.96 ～41分钟 大部分，点密集，初始准确率较低
内部d + e ～90,000 1.00 – ～3分钟 结合部分一起处理

外部 135,132 0.92 1.00 ～10分钟 第二次运行将裂缝与接缝分开

注：报告的准确率值对应于在训练数据集中通过CANUPO分类获得的平衡准确率，并不代表对外部真实数据的独立验证。

3.2. CloudCompare上的数据处理
Scene软件支持将扫描文件转换为LAS格式，以便在CloudCompare中进行进一步分析。CloudCompare提供了配准、分割、标量场处理和统计计算功能。在本研究中，它主要用于裂缝检测和分类。

3.2.1. 扫描处理
Faro 3D激光扫描仪收集360°点云数据，可以捕捉建筑物外的物体。使用CloudCompare的分割工具移除了不必要的点，以减小文件大小，提高处理速度和分析质量。例如，一个内部底层的扫描文件从1.044GB减少到0.394GB，在保持数据质量的同时提高了效率（图5）。
下载：下载高分辨率图像（952KB）
下载：下载全尺寸图像
图5. 处理前后的底层扫描图像。

3.2.2. 扫描对齐
虽然Scene中的自动配准功能原本用于对齐内部扫描，但由于硬件限制，实际对齐是在CloudCompare中完成的。使用扫描的公共部分作为参考目标，每个扫描选择了三个对应的点进行对齐。对齐后的扫描结果用于视觉展示，但由于可能存在配准误差，因此不被认为适合定量分析（图6，图7）。
下载：下载高分辨率图像（574KB）
下载：下载全尺寸图像
图6. 一楼两个内部扫描的对齐示例。
下载：下载高分辨率图像（841KB）
下载：下载全尺寸图像
图7. 对齐后的内部扫描的侧视图。

这一限制很重要，因为任何残留的不对齐都可能影响检测特征的空间一致性，从而影响定量解释的可靠性。

3.2.3. 裂缝部分的分割
数据收集期间的目视检查有助于定位裂缝，并指导CloudCompare中的分割。大多数裂缝位于一楼。为了减少计算时间，裂缝部分被进一步分割成更小的点云。一楼的点云从13,511,793点减少到475,239点，以便更高效地处理和获得更好的分类结果（图8）。
下载：下载高分辨率图像（238KB）
下载：下载全尺寸图像
图8. 一楼裂缝部分的分割（包括分割和单个裂缝集）。
这种分割步骤还确保了分类集中在感兴趣的区域，尽管它在选择代表性裂缝区域时引入了一定程度的用户依赖性。

3.2.4. Canupo方法
CANUPO机器学习算法用于点云分类，自Brodu和Lague（2012年）开发以来已被集成到CloudCompare中（Ntuli等人，2023年）。该算法需要对目标类和背景类的代表性样本进行训练。在本研究中，选择了裂缝及其周围区域作为训练样本。算法根据这些训练样本对目标部分的所有点进行分类，并根据样本之间的相似性提供分类可靠性度量。
CANUPO分类采用了多尺度方法，分析不同邻域大小的几何特征。在本研究中，使用了默认的多尺度参数，参数根据扫描表面的几何特性进行选择。训练样本每个类别大约包含2000-10,000个点，具体取决于分割区域的密度和复杂性，并从代表裂缝和非裂缝表面的区域手动选择。点云覆盖密集且裂缝几何形状复杂的区域需要多达10,000个训练点来充分捕捉几何变化，而简单或密度较低的区域则需要较少的点（大约2000-5000个）。选择代表性样本是为了捕捉每个类别内表面纹理和几何的变化，确保裂缝和非裂缝特征都能得到良好的表征。
对于裂缝检测，工作流程包括分割目标部分、创建CANUPO训练样本、保存类别文件，然后将CANUPO分类应用于原始裂缝部分。报告的分类性能反映了CANUPO在训练数据集内区分预定义类别的能力。本研究的验证是通过专家目视检查进行的，即将分类后的裂缝点与点云中可识别的裂缝进行比较。没有独立的真实数据集或外部定量验证可用。

3.2.4. 分割裂缝
在数据收集期间的目视检查有助于定位裂缝，并指导CloudCompare中的分割。大多数裂缝位于一楼。为了减少计算时间，裂缝部分被进一步分割成更小的点云。一楼的点云从13,511,793点减少到475,239点，以便更高效地处理和获得更好的分类结果（图8）。
下载：下载高分辨率图像（238KB）
下载：下载全尺寸图像
图8. 一楼裂缝部分的分割（包括分割和单个裂缝集）。
这种分割步骤还确保了分类集中在感兴趣的区域，尽管它在选择代表性裂缝区域时引入了一定程度的用户依赖性。

3.2.5. Canupo方法
CANUPO机器学习算法用于点云分类，自Brodu和Lague（2012年）开发以来已被集成到CloudCompare中（Ntuli等人，2023年）。该算法需要对目标类和背景类的代表性样本进行训练。在本研究中，选择了裂缝及其周围区域作为训练样本。算法根据这些训练样本对目标部分的所有点进行分类，并根据样本之间的相似性提供分类可靠性度量。
CANUPO分类采用了多尺度方法，分析不同邻域大小的几何特征。在本研究中，使用了默认的多尺度参数，参数根据扫描表面的几何特性进行选择。训练样本每个类别大约包含2000-10,000个点，具体取决于分割区域的密度和复杂性，并从代表裂缝和非裂缝表面的区域手动选择。点云覆盖密集且裂缝几何形状复杂的区域需要多达10,000个训练点来充分捕捉几何变化，而简单或密度较低的区域则需要较少的点（大约2000-5000个）。选择代表性样本是为了捕捉每个类别内表面纹理和几何的变化，确保裂缝和非裂缝特征都能得到良好的表征。
对于裂缝检测，工作流程包括分割目标部分、创建CANUPO训练样本、保存类别文件，然后将CANUPO分类应用于原始裂缝部分。报告的分类性能反映了CANUPO在训练数据集内区分预定义类别的能力。本研究的验证是通过专家目视检查进行的，即将分类后的裂缝点与点云中可识别的裂缝进行比较。没有独立的真实数据集或外部定量验证可用。
在分类之前对裂缝进行分割减少了处理时间，并通过将分析集中在感兴趣的区域提高了分类效率。图9展示了CANUPO的分类工作流程。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图9. Canupo工作流程。

应当注意的是，分类结果取决于所选训练样本的质量和代表性，因此工作流程包含了一定程度的迭代细化，而不是完全自动化的过程。

4. 结果与讨论
4.1. 维多利亚美术馆和博物馆的内部裂缝
在本研究中，使用了CANUPO机器学习算法自动检测维多利亚美术馆和博物馆建筑内的内部裂缝。现场的目视检查在指导CloudCompare上的自动检测过程中发挥了关键作用，因为观察到大多数裂缝集中在一楼。因此，使用CloudCompare中的分割工具隔离了一楼显示检测到的裂缝的部分（图10）。这些裂缝部分是根据目视观察、点云质量和点密度组合选择的。避免了点云密度低的区域，因为密度不足可能导致使用CANUPO方法进行自动裂缝检测时失败。
下载：下载高分辨率图像（538KB）
下载：下载全尺寸图像
图10. CloudCompare上的一楼，包含目标裂缝部分。
整个一楼部分包含超过1300万个点，由于硬件限制，对整个部分进行单次CANUPO分析存在挑战。为了解决这个问题，分析被分成了较小的裂缝部分。排除了点密度低或缺失数据的区域，以避免误分类。这种方法确保每次CANUPO运行都有足够的数据集，从而在每个分割的数据集中获得一致的分类性能。
CANUPO方法分别应用于每个裂缝部分，确保在训练的分类框架内有效识别裂缝，同时最小化误差传播。每个部分分别进行了分析（图11）（见图12）。
下载：下载高分辨率图像（736KB）
下载：下载全尺寸图像
图11. 裂缝部分a-e。
下载：下载高分辨率图像（844KB）
下载：下载全尺寸图像
图12. 显示裂缝部分a-e的关键Canupo分类结果的复合图。
例如，裂缝部分a包含30,948个点，对于CANUPO处理来说是一个可管理的大小。手动分割了两个代表性样本，一个用于裂缝，一个用于地面，以训练算法。这些样本的准确分割至关重要，因为它使分类器能够有效区分裂缝和非裂缝点（图12）。最初，一些尝试未能区分这两个类别，但通过多次使用裂缝和地面样本的迭代训练提高了分类性能，在训练数据集内的平衡准确率为0.96087（表2）。
该部分的计算时间大约为60秒。在第一次运行中，一些暗色地面区域被错误地分类为裂缝；这可能是由于点云属性的相似性。第二次CANUPO运行专注于这些错误分类的点，改进了分类，最终在分类过程中的平衡准确率为1.00。
同样的程序也应用于包含25,200个点的裂缝部分b。也需要两次CANUPO运行才能成功检测裂缝，并在训练数据集内获得类似的高分类性能。
裂缝部分c由于其较大的规模（355,943个点）和密集的点云而代表了最复杂的情况。初始分类大约需要41分钟，获得的平衡分类准确率为0.78505，主要是由于裂缝和地面点之间的相似性。进行了第二次CANUPO分类，仅关注之前分类的裂缝样本，显著提高了分类性能，达到大约0.96。
由于d和e部分的合并大小允许平滑计算，因此将它们合并进行了一次CANUPO分析。训练样本包括来自两个部分的点。这种组合方法使得无需第二次分类运行即可成功检测裂缝。
将一楼分割成较小的裂缝部分加快了处理速度，减少了内存使用，并提高了每次运行的分类性能。CANUPO检测后，结果与一楼的RGB图像合并，以增强可视化和解释，提供了裂缝位置的清晰表示（图13）。这种RGB图像的集成通过允许观察到的裂缝特征与分类后的点云进行视觉比较，支持了定性验证；然而，它不构成独立的定量验证。
下载：下载高分辨率图像（2MB）
下载：下载全尺寸图像
图13. 一楼最终的裂缝检测结果。

4.2. 维多利亚美术馆和博物馆的外部裂缝
外部扫描由于部分被脚手架覆盖而面临额外挑战，限制了可用的裂缝部分。目视检查在扫描位置2识别出一个裂缝部分。该部分从扫描数据中提取并在CloudCompare中进行了处理。使用分割工具隔离了裂缝，将点云减少到135,132点，以便高效处理。
选择了两个样本，分别代表裂缝和砖块，用于CANUPO训练。第一次分类运行在训练数据集内的平衡分类准确率为0.918632，大约需要10分钟。最初，一些接缝被错误地分类为裂缝，这反映了CANUPO方法在区分具有相似几何或表面特征的特征时的已知局限性。先前的研究也观察到了这一限制。例如，Weidner等人（2019年）报告了在大规模岩石斜坡数据集中难以将裂缝与其他结构组件区分开来的困难。同样，Alseid和Seo（2025年）应用了基于CANUPO的多步骤方法（C-C-D和D-C-C）进行全尺度裂缝和接缝分析，发现初始分类运行不足以完全分离特征。
为了解决当前研究中的这些问题，进行了第二次分类，选择了新的训练样本以有效区分裂缝和接缝。最终的分类结果与外部部分的RGB图像合并，提供了清晰且易于视觉解释的裂缝表示（图14）。
下载：下载高分辨率图像（517KB）
下载：下载全尺寸图像
图14. 显示外部裂缝部分分割和最终Canupo分类的复合图。
这个工作流程表明，CANUPO可以有效地应用于识别遗产建筑中的内部和外部裂缝，特别是在目视检查的指导和仔细分割的支持下。分割部分和迭代训练提高了工作流程中的分类一致性，并减少了计算时间，而将结果与RGB图像合并提供了清晰的定性验证方法，增强了解释。这些发现与之前的研究一致，强调了分割和样本选择对于复杂结构中成功CANUPO分类的重要性（Ntuli等人，2023年；Alseid等人，2023年；Weidner等人，2019年）。

5. 结论与未来工作
监测技术的迅速发展使得遗产建筑的保护和结构评估取得了显著改进。在这些技术中，3D激光扫描（TLS）作为一种强大且非接触式的工具，已成为记录、监测和检测复杂结构损伤的有效手段。TLS（TLS：Time-of-Flight激光扫描技术）能够实现精确的空间数据采集，生成密集的点云，这些点云能够高细节地捕捉建筑物的几何形状和表面信息，这一优势在之前关于TLS性能和准确性的研究中得到了强调（Yaman和Y?lmaz，2017年）。机载和地面激光扫描技术在城市和遗产保护应用中也展现了巨大潜力，在这些应用中，点云的密度和表面特征对测量精度至关重要（Canaz Sevgen和Karsli，2020年）。本研究采用了3D激光扫描技术对维多利亚美术馆和博物馆的内部及外部进行了自动裂缝检测。现场数据采集使用了FARO FOCUS 150 S扫描仪，在四天的扫描过程中覆盖了多个内部和外部区域。收集到的数据随后在Scene和CloudCompare软件中进行了处理。由于内部通行受限、外部表面有脚手架以及硬件限制（这两个软件包都需要高性能系统才能顺畅运行），这些处理步骤既耗时又具有挑战性。尽管存在这些限制，数据仍然成功处理完毕，并且在开发的分类工作流程中实现了有效的裂缝识别。

在CloudCompare中使用CANUPO方法进行了自动裂缝检测，主要发现如下：
- 现场视觉检查对于确定裂缝检测目标区域至关重要，尤其是在一楼内部区域，大多数裂缝都出现在这里。
- 对裂缝目标区域进行分割后，内部点云的点数从13,511,793个减少到了475,239个，显著降低了文件大小，使得处理更加容易管理。
- 这种点云数量的减少直接加快了CANUPO的分类处理速度，降低了计算需求，同时保持了分割数据集内的一致分类性能。
- 有效的CANUPO训练类别对于在分类过程中可靠地区分裂缝和非裂缝特征至关重要。通常需要多次迭代才能将裂缝与地板或砖块表面区分开来，尤其是在材料属性或点云密度导致初始分类错误的情况下。
- 在某些情况下，需要再次运行CANUPO才能完全隔离裂缝，这反映了自动化分类在密集遗产数据集中的局限性，也与之前关于TLS分类敏感性的研究结果一致（Yaman和Y?lmaz，2017年）。
- 最终的裂缝段成功地与原始扫描的RGB图像合并，增强了可视化效果，并为内部和外部环境中的裂缝提供了清晰的解释。

需要注意的是，所报告的分类性能是基于训练数据集中的CANUPO输出结果，并通过定性视觉检查进行评估的，而不是通过与真实数据的独立定量验证来评估的。

对于未来的工作，可以采取以下改进措施来进一步增强遗产建筑的监测和分析：
- 建议使用更高分辨率的TLS扫描来获取更丰富的数据集，生成更密集的点云，以便进行详细的裂缝分析并减少误分类的可能性。这种方法也可以支持其他自动裂缝检测方法，例如Roughness-Canupo（R-C）算法，尽管这些方法需要更高的计算能力。
- 扫描过程中的脚手架和临时障碍物限制了外部区域的覆盖范围。未来的数据收集应尽量减少这些障碍物，以便全面监测建筑物的外部表面。
- 将TLS与机载LiDAR、摄影测量或基于无人机的点云等互补技术相结合，可以提供更广泛的覆盖范围，并支持城市规模遗产评估的地面建模，符合当前3D数据采集的最佳实践（Canaz Sevgen和Karsli，2020年）。
- 可以进行额外的研究，探讨多时相扫描活动，以跟踪裂缝随时间的变化和结构变化，从而支持预测性维护和长期的遗产保护策略。

本研究存在一些局限性，包括缺乏独立的定量验证、由于脚手架导致的部分外部区域覆盖不足，以及与硬件性能相关的计算限制。这些因素可能会影响所提出工作流程在更大或更复杂数据集上的通用性。

总之，本研究表明，结合TLS、仔细的视觉检查和基于CANUPO的自动分类方法，为检测和记录遗产建筑中的结构裂缝提供了一种实用且有效的工作流程。该方法在测试条件下能够实现详细的裂缝识别，同时优化了处理效率和可视化效果，为遗产保护和城市结构评估领域做出了贡献。

**伦理批准**：不适用。

**资金**：本研究未获得任何外部资助。